CN104240291A - 一种基于核磁共振图像序列的图像分割重建方法及系统 - Google Patents
一种基于核磁共振图像序列的图像分割重建方法及系统 Download PDFInfo
- Publication number
- CN104240291A CN104240291A CN201410447332.4A CN201410447332A CN104240291A CN 104240291 A CN104240291 A CN 104240291A CN 201410447332 A CN201410447332 A CN 201410447332A CN 104240291 A CN104240291 A CN 104240291A
- Authority
- CN
- China
- Prior art keywords
- image
- magnetic resonance
- nuclear magnetic
- field picture
- particle filter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Magnetic Resonance Imaging Apparatus (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于核磁共振图像序列的图像分割重建方法及系统,本发明涉及图像分割重建领域,该方法包括获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验;根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果;根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息。
Description
技术领域
本发明涉及图像分割重建领域,特别涉及一种基于核磁共振图像序列的图像分割重建方法及系统。
背景技术
核磁共振成像可以通过磁场发射出的电子波来检测绘制物体内部的结构图像,核磁共振成像被用于物体内部结构的成像,使其在科学研究中产生了重要的作用。核磁共振图像获得了组织的内部图像之后,如何识别特定的组织成为了一个迫切需要解决的问题。
例如基于核磁共振图像的肌肉组织图像分割重建的难点在于待分割的肌肉组织与周围组织的分界不够清晰,无法利用图像的边缘特征来完成整个肌肉组织的分割。现在主流的方法有以下几类:第一种方法是纯手工对每一帧肌肉的轮廓进行勾画,这种方法需要操作者对被解剖物体的结构较为了解,同时这种方法需要大量的手工交互操作;第二种方法是使用变形一般模型的方法,这种方法需要提前标注少量帧的肌肉组织作为约束,然后从一个一般模型出发,根据约束进行变形,这种方法不能够处理肌肉的拓扑形状变化;第三种方法是构建形状先验的方法来解决肌肉组织的分割,其具体步骤为通过手工标记大量不同人的或者同一人的某一块肌肉组织的形状,然后通过机器学习的方法来进行训练构建一个形状先验,对于待分割的图像利用构建的形状先验进行分割,但是这个方法基于一个假设,即待分割的肌肉组织必须与训练数据中手工标注的数据在形状上是相似或者一致的,这个假设对于正常人的肌肉组织可能会工作得比较好,但是对于肌肉萎缩数据的个体,由于萎缩肌肉的形态与正常肌肉形态不同,所以结果会比较差。
现有方法不能解决针对需要分割重建的物体与其他物体分界不够清晰(例如特定肌肉)的快速高精度分割重建同时保持肌肉的拓扑变化的问题,需要发展一种能够处理复杂图像的分割重建方法。
发明专利“一种利用视频分割与粒子滤波实现多目标跟踪方法”,该发明公开了一种利用视频分割与粒子滤波实现多目标跟踪方法,该方法包括建立系统模型、建立目标运动模型与颜色模型和视频分割等步骤,该方法结合视频分割与粒子滤波各自优点,实现了多目标跟踪,大大地提高跟踪速度与精度,本发明充分利用测量与目标的关联程度,实现多目标在遮挡情况下运动跟踪。但是该发明解决的问题是视频分割与粒子滤波实现的目标跟踪,该发明解决的仅仅是跟踪问题,本发明使用的思路是使用双向跟踪完成3D重建,其与本发明解决的问题不同。
发明专利“一种超声图像分割方法和系统”,该发明适用于图像处理技术领域,尤其涉及一种超声图像分割方法和系统。所述方法包括以下步骤:将统计形状模型和采集到的指定器官的三维超声数据进行粗配准,得到初始化坐标变换参数;根据初始化坐标变换参数,利用基于粒子滤波的图像分割算法对三维超声数据进行迭代分割,所述统计形状模型是通过对多个高清晰度三维数据的手动分割结果进行训练得到的平均值与表征变化模态的一组特征向量的组合。这样,就避免了手动分割及半自动分割需要人工参与较多的问题,相比现有的全自动分割方法,该发明解决图像分辨率低以及图像模糊状态下分割的准确性问题。但该发明解决的问题是使用超声图像来进行物体的分割与重建,这种方法依赖于提前已知物体的统计形状和模型,但对于像萎缩肌肉之类的组织,没有一个统一的形状,其与本发明解决的问题不同。
发明内容
针对现有技术的不足,本发明提出一种基于核磁共振图像序列的图像分割重建方法及系统。
本发明提出一种基于核磁共振图像序列的图像分割重建方法,包括:
步骤1,获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;
步骤2,根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验;
步骤3,根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果;
步骤4,根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息。
所述的基于核磁共振图像序列的图像分割重建方法,所述步骤2还包括:获取所述核磁共振图像的每帧图像的水平集。
所述的基于核磁共振图像序列的图像分割重建方法,通过以下公式获取所述水平集:
其中Φtop,Φbottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的水平集,d为第一帧图像与最后一帧图像之间的距离,d1,d2分别为当前帧图像与第一帧图像和最后一帧图像的距离。
所述的基于核磁共振图像序列的图像分割重建方法,所述步骤3包括:
步骤31,跟踪所述各帧图像的图像轮廓的全局运动;
步骤32,跟踪所述图像轮廓的局部变化;
步骤33,更新每个粒子的似然概率;
步骤34,将所述似然概率进行归一化。
所述的基于核磁共振图像序列的图像分割重建方法,所述步骤4通过以下公式获取所述最终轮廓信息:
其中为第t帧图像的所述最终轮廓信息,d1为第t帧图像的图像轮廓距离第一个被标注的所述参照图像的图像轮廓的距离,d2为第t帧图像的图像轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离,分别为所述正向粒子滤波结果和所述反向粒子滤波结果。
本发明还提出一种基于核磁共振图像序列的图像分割重建系统,包括:
轮廓标注模块,用于获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;
获取形状先验模块,用于根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验;
获取初始轮廓信息模块,用于根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果;
获取最终轮廓信息模块,用于根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息。
所述的基于核磁共振图像序列的图像分割重建系统,所述获取形状先验模块还包括:用于获取所述核磁共振图像的每帧图像的水平集。
所述的基于核磁共振图像序列的图像分割重建系统,通过以下公式获取所述水平集:
其中Φtop,Φbottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的水平集,d为第一帧图像与最后一帧图像之间的距离,d1,d2分别为当前帧图像与第一帧图像和最后一帧图像的距离。
所述的基于核磁共振图像序列的图像分割重建系统,所述获取初始轮廓信息模块包括:
用于跟踪所述各帧图像的图像轮廓的全局运动;
用于跟踪所述图像轮廓的局部变化;
用于更新每个粒子的似然概率;
用于将所述似然概率进行归一化。
所述的基于核磁共振图像序列的图像分割重建系统,所述获取最终轮廓信息模块通过以下公式获取所述最终轮廓信息:
其中为第t帧图像的所述最终轮廓信息,d1为第t帧图像的图像轮廓距离第一个被标注的所述参照图像的图像轮廓的距离,d2为第t帧图像的图像轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离,分别为所述正向粒子滤波结果和所述反向粒子滤波结果。
由以上方案可知,本发明的优点在于:
使用简单,只需要标注少量帧数据,即可完整恢复出整个物体的3D形态;本发明使用粒子滤波,每一个粒子的轮廓使用水平集的零水平面表示,可以处理物体的拓扑形状变化;本发明的精度很高,其分割的精度与纯手工标准的数据作对比,误差小于4%;本发明具有良好的扩展性,其可以处理重建获得不规则物体或组织的3D形态。
附图说明
图1为本发明的总体流程图;
图2为肌肉组织图像分割重建流程图;
图3为通过核磁共振获取的原始肌肉组织图像;
图4为进行轮廓标注之后的几帧肌肉组织图像;
图5为形状插值示意图;
图6为粒子滤波迭代过程与正向跟踪和反向跟踪示意图;
图7为肌肉组织图像进行分割重建后的3D图像。
其中附图标记为:
100为本发明的总体步骤,包括:
步骤101/102/103/104;
200为肌肉组织图像分割重建的步骤,包括:
步骤201/202/203/204/205。
具体实施方式
本发明的具体流程如下,如图1所示:
步骤101,获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;
步骤102,根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验,获取所述核磁共振图像的每帧图像的水平集,并通过以下公式获取水平集:
其中Φtop,Φbottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的水平集,d为第一帧图像与最后一帧图像之间的距离,d1,d2分别为当前帧图像与第一帧图像和最后一帧图像的距离;
步骤103,根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果,但是由于通过步骤102获得的形状先验仅仅是每一帧核磁共振图像的近似轮廓信息,所以需要使用粒子滤波的方法来根据当前帧的图像来具体确定当前帧的轮廓是什么样子的,所以步骤103还包括以下子步骤:
跟踪所述各帧图像的图像轮廓的全局运动;
跟踪所述图像轮廓的局部变化;
更新每个粒子的似然概率;
将所述似然概率进行归一化。
步骤104,根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息,以下公式获取所述最终轮廓信息:
其中为第t帧图像的所述最终轮廓信息,d1为第t帧图像的图像轮廓距离第一个被标注的所述参照图像的图像轮廓的距离,d2为第t帧图像的图像轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离,分别为所述正向粒子滤波结果和所述反向粒子滤波结果。
本发明的系统包括以下模块:
轮廓标注模块,用于获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;
获取形状先验模块,用于根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验,获取所述核磁共振图像的每帧图像的水平集,并通过以下公式获取水平集:
其中Φtop,Φbottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的水平集,d为第一帧图像与最后一帧图像之间的距离,d1,d2分别为当前帧图像与第一帧图像和最后一帧图像的距离;
获取初始轮廓信息模块,用于根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果,但是由于通过获取形状先验模块获得的形状先验仅仅是每一帧核磁共振图像的近似轮廓信息,所以需要使用粒子滤波的方法来根据当前帧的图像来具体确定当前帧的轮廓是什么样子的,所以获取初始轮廓信息模块还包括以下子用途:
跟踪所述各帧图像的图像轮廓的全局运动;跟踪所述图像轮廓的局部变化;更新每个粒子的似然概率;将所述似然概率进行归一化。
获取最终轮廓信息模块,用于根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息,以下公式获取所述最终轮廓信息:
其中为第t帧图像的所述最终轮廓信息,d1为第t帧图像的图像轮廓距离第一个被标注的所述参照图像的图像轮廓的距离,d2为第t帧图像的图像轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离,分别为所述正向粒子滤波结果和所述反向粒子滤波结果。
为了使本发明的目的、技术方案及优点更加清楚明白,以下以分割重建肌肉组织图像为实施例,并结合附图,对本发明进行详细说明,应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图2所示,肌肉组织图像的分割重建方法包括如下步骤:
步骤201,获取原始肌肉组织MRI图像(核磁共振图像),如图3所示;
步骤202,从原始肌肉组织MRI图像(核磁共振图像)上,获取几帧肌肉组织图像,并对获取的每帧肌肉组织图像进行轮廓标注,如图4所示;
步骤203,根据轮廓标注信息,使用形状插值来获得所述原始肌肉组织图像每一帧的形状先验,即通过形状插值来计算每一帧的水平集,通过以下公式计算水平集,如图5所示:
其中Φtop,Φbottom表示的分别是原始肌肉组织图像的第一帧图像和原始肌肉组织的最后一帧图像的水平集函数,d表示第一帧图像与最后一帧图像之间的距离,d1,d2分别表示当前帧图像与第一帧图像和最后一帧图像的距离;
步骤204,如图6所示,从标注帧开始结合形状先验,使用粒子滤波来获得从第一个被标注帧图像到最后一个被标注帧图像之间的各帧图像的标注结果,但是由于通过步骤203获得的形状先验仅仅是每一帧原始肌肉组织图像的近似轮廓信息,所以需要使用粒子滤波的方法来根据当前帧的图像来具体确定当前帧的轮廓是什么样子的,所以步骤204还包括以下子步骤:
跟踪肌肉轮廓的全局运动,通过以下公式跟踪肌肉轮廓的全局运动:
At=fg(At-1)+ug ug~N(0,Σg)
At表示当前一帧图像的全局旋转信息,根据前一时刻的一帧图像的信息来推断获得的,ug表示噪声信息,ug~N(0,Σg)表示噪声服从一个矩阵为0,协方差为Σg的高斯分布,跟踪肌肉轮廓的全局运动是指一个一阶马尔科夫链的过程,可以根据前一帧图像的肌肉轮廓信息来估计下一帧图像的轮廓变化。
跟踪肌肉轮廓的局部变化,肌肉轮廓的变化除了全局的旋转之外,还有局部的变化,本发明使用水平集的梯度场来引导这种局部的零水平面变形,公式如下:
Ct=flμt+ul ul~N(0,Σl)
μk=μk-1-αk▽μEimage(μk-1,Y)
Eimage=Eregion+Eprior
Eregion=μ(∫Ω|▽H(Φ)|dxdy)p+v∫ΩH(Φ)dxdy+λ1∫Ω|I-c1|2H(Φ)dxdy+λ2∫Ω|I-c2|2(1-H(Φ))dxdy
Eprior=∫ΩH(Φ)Φ0dxdy
其中Ct表示经过全部变形和水平集的轮廓演化之后获得肌肉组织轮廓,μt表示经过几步水平集演化之后获得的水平集零水平面,fl为轮廓演化函数,ul为噪声项,表示服从一个均值为0,协方差矩阵为Σl的高斯分布,μk表示第k次迭代的水平集轮廓函数,α表示衰减常数,Y表示原始图像,Eimage表示当前图像的水平集能量函数,Eregion表示区域能量项,其中包括轮廓的长度,轮廓所包围区域的大小,轮廓内的像素的均一程度和轮廓外像素的均一程度,Eprior代表先验能量项,表示当前轮廓Φ与先验轮廓Φ0之间的差异,I表示图像的灰度信息,H(Φ)表示光滑函数,当水平集函数在当前像素值的值大于等于0时,其为1,其余为0,μ,v,λ1,λ2表示权重项。
更新每一个粒子的似然概率,公式如下:
根据当前轮廓的能量与当前图像的匹配程度来确定当前轮廓是否是当前图像的最终轮廓,使用一个能量函数来度量这种相似性,Xt表示当前粒子状态,Yt表示当前帧图像,Ct表示经过水平集演化之后的水平集轮廓,Eimage表示当前图像的水平集能量函数。
粒子似然概率做归一化,然后重新进行下一步预测,公式如下:
根据当前粒子的能量对其做概率归一,使得所有粒子的概率和为1,Eimage表示当前图像的水平集能量函数.N表示共计有N个粒子,Yt表示第t帧的原始图像,
步骤205,结合正向和反向粒子滤波结果,使用对应帧插值获得最后的标注结果,如图7所示。
在正向和反向做了粒子滤波之后,本发明使用一个合并步骤把两个粒子滤波的结果相结合,并得到最后的结果,公式如下:
表示的是第t帧最后的轮廓,d1,d2分别表示当前帧轮廓距离第一个被标注帧轮廓和最后一个被标注帧轮廓的距离,分别表示前向和后向的粒子滤波标注结果。(共计有两个方向的粒子滤波,分别表示前向和后向,步骤3表示的是一个方向的粒子滤波结果。)
通过以上步骤对肌肉组织图像进行分割重建。
Claims (10)
1.一种基于核磁共振图像序列的图像分割重建方法,其特征在于,包括:
步骤1,获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;
步骤2,根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验;
步骤3,根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果;
步骤4,根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息。
2.如权利要求1所述的基于核磁共振图像序列的图像分割重建方法,其特征在于,所述步骤2还包括:获取所述核磁共振图像的每帧图像的水平集。
3.如权利要求2所述的基于核磁共振图像序列的图像分割重建方法,其特征在于,通过以下公式获取所述水平集:
其中Φtop,Φbottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的水平集,d为第一帧图像与最后一帧图像之间的距离,d1,d2分别为当前帧图像与第一帧图像和最后一帧图像的距离。
4.如权利要求1所述的基于核磁共振图像序列的图像分割重建方法,其特征在于,所述步骤3包括:
步骤31,跟踪所述各帧图像的图像轮廓的全局运动;
步骤32,跟踪所述图像轮廓的局部变化;
步骤33,更新每个粒子的似然概率;
步骤34,将所述似然概率进行归一化。
5.如权利要求1所述的基于核磁共振图像序列的图像分割重建方法,其特征在于,所述步骤4通过以下公式获取所述最终轮廓信息:
其中为第t帧图像的所述最终轮廓信息,d1为第t帧图像的图像轮廓距离第一个被标注的所述参照图像的图像轮廓的距离,d2为第t帧图像的图像轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离,分别为所述正向粒子滤波结果和所述反向粒子滤波结果。
6.一种基于核磁共振图像序列的图像分割重建系统,其特征在于,包括:
轮廓标注模块,用于获取核磁共振图像,并提取所述核磁共振图像的多个帧的参照图像,对每个所述参照图像的图像轮廓进行标注,获取轮廓标注信息;
获取形状先验模块,用于根据所述轮廓标注信息,通过形状插值,获取所述核磁共振图像的每帧图像的形状先验;
获取初始轮廓信息模块,用于根据所述轮廓标注信息和所述形状先验,通过粒子滤波,获取除所述参照图像之外的各帧图像的初始轮廓信息,其中所述初始轮廓信息包括所述各帧图像的正向粒子滤波结果和反向粒子滤波结果;
获取最终轮廓信息模块,用于根据所述正向粒子滤波结果和所述反向粒子滤波结果,通过距离插值,获取所述各帧图像的最终轮廓信息。
7.如权利要求6所述的基于核磁共振图像序列的图像分割重建系统,其特征在于,所述获取形状先验模块还包括:用于获取所述核磁共振图像的每帧图像的水平集。
8.如权利要求7所述的基于核磁共振图像序列的图像分割重建系统,其特征在于,通过以下公式获取所述水平集:
其中Φtop,Φbottom分别为所述核磁共振图像的第一帧图像和最后一帧图像的水平集,d为第一帧图像与最后一帧图像之间的距离,d1,d2分别为当前帧图像与第一帧图像和最后一帧图像的距离。
9.如权利要求6所述的基于核磁共振图像序列的图像分割重建系统,其特征在于,所述获取初始轮廓信息模块包括:
用于跟踪所述各帧图像的图像轮廓的全局运动;
用于跟踪所述图像轮廓的局部变化;
用于更新每个粒子的似然概率;
用于将所述似然概率进行归一化。
10.如权利要求6所述的基于核磁共振图像序列的图像分割重建系统,其特征在于,所述获取最终轮廓信息模块通过以下公式获取所述最终轮廓信息:
其中为第t帧图像的所述最终轮廓信息,d1为第t帧图像的图像轮廓距离第一个被标注的所述参照图像的图像轮廓的距离,d2为第t帧图像的图像轮廓距离最后一个被标注的所述参照图像的图像轮廓的距离,分别为所述正向粒子滤波结果和所述反向粒子滤波结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410447332.4A CN104240291B (zh) | 2014-09-03 | 2014-09-03 | 一种基于核磁共振图像序列的图像分割重建方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410447332.4A CN104240291B (zh) | 2014-09-03 | 2014-09-03 | 一种基于核磁共振图像序列的图像分割重建方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104240291A true CN104240291A (zh) | 2014-12-24 |
CN104240291B CN104240291B (zh) | 2017-10-27 |
Family
ID=52228292
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410447332.4A Active CN104240291B (zh) | 2014-09-03 | 2014-09-03 | 一种基于核磁共振图像序列的图像分割重建方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104240291B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686425A (zh) * | 2019-01-17 | 2019-04-26 | 南京晓庄学院 | 一种加速全局重建人脑神经图像技术的方法 |
CN110706236A (zh) * | 2019-09-03 | 2020-01-17 | 西人马帝言(北京)科技有限公司 | 血管图像的三维重建方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010046327A1 (en) * | 1999-12-17 | 2001-11-29 | Osher Stanley Joel | Method and apparatus for feature-based quantization and compression of data |
CN1766928A (zh) * | 2004-10-29 | 2006-05-03 | 中国科学院计算技术研究所 | 一种基于动态背景运动视频的运动对象重心轨迹提取方法 |
CN101819679A (zh) * | 2010-04-19 | 2010-09-01 | 李楚雅 | 三维医学图像分割方法 |
US20110064286A1 (en) * | 2009-08-12 | 2011-03-17 | The Regents Of The University Of California | Apparatus and method for surface capturing and volumetric analysis of multidimensional images |
CN103295237A (zh) * | 2013-05-31 | 2013-09-11 | 深圳大学 | 一种图像分割方法及系统 |
CN103886603A (zh) * | 2014-03-31 | 2014-06-25 | 西北工业大学 | 一种左心室核磁共振图像分割及三维重构的方法 |
-
2014
- 2014-09-03 CN CN201410447332.4A patent/CN104240291B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20010046327A1 (en) * | 1999-12-17 | 2001-11-29 | Osher Stanley Joel | Method and apparatus for feature-based quantization and compression of data |
CN1766928A (zh) * | 2004-10-29 | 2006-05-03 | 中国科学院计算技术研究所 | 一种基于动态背景运动视频的运动对象重心轨迹提取方法 |
US20110064286A1 (en) * | 2009-08-12 | 2011-03-17 | The Regents Of The University Of California | Apparatus and method for surface capturing and volumetric analysis of multidimensional images |
CN101819679A (zh) * | 2010-04-19 | 2010-09-01 | 李楚雅 | 三维医学图像分割方法 |
CN103295237A (zh) * | 2013-05-31 | 2013-09-11 | 深圳大学 | 一种图像分割方法及系统 |
CN103886603A (zh) * | 2014-03-31 | 2014-06-25 | 西北工业大学 | 一种左心室核磁共振图像分割及三维重构的方法 |
Non-Patent Citations (1)
Title |
---|
刘国才等: "集成非线性统计形状先验的MS图像分割模型", 《湖南大学学报(自然科学版)》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109686425A (zh) * | 2019-01-17 | 2019-04-26 | 南京晓庄学院 | 一种加速全局重建人脑神经图像技术的方法 |
CN110706236A (zh) * | 2019-09-03 | 2020-01-17 | 西人马帝言(北京)科技有限公司 | 血管图像的三维重建方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104240291B (zh) | 2017-10-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109615636B (zh) | Ct影像的肺叶段分割中的血管树构造方法、装置 | |
Tang et al. | An augmentation strategy for medical image processing based on statistical shape model and 3D thin plate spline for deep learning | |
Schindler et al. | Line-based structure from motion for urban environments | |
Cruz et al. | Deepcsr: A 3d deep learning approach for cortical surface reconstruction | |
CN105096310B (zh) | 利用多通道特征在磁共振图像中分割肝脏的方法和系统 | |
CN110060275B (zh) | 一种人体微循环血流速度检测的方法及系统 | |
CN102629374B (zh) | 基于子空间投影和邻域嵌入的图像超分辨率重建方法 | |
Kohlmann et al. | Automatic lung segmentation method for MRI-based lung perfusion studies of patients with chronic obstructive pulmonary disease | |
CN104424629A (zh) | 一种x光胸片肺部分割方法和装置 | |
CN104616308A (zh) | 一种基于核模糊聚类的多尺度水平集图像分割方法 | |
CN103942772A (zh) | 一种多模态多维度的血管融合方法及系统 | |
CN105427308A (zh) | 一种稀疏和稠密特征匹配结合的图像配准方法 | |
EP3555850A1 (en) | System and method for image segmentation using a joint deep learning model | |
CN104050685A (zh) | 基于粒子滤波视觉注意力模型的运动目标检测方法 | |
CN112258514A (zh) | 一种ct影像肺血管的分割方法 | |
Qian et al. | The synergy of 3d sift and sparse codes for classification of viewpoints from echocardiogram videos | |
Zheng | Cross-modality medical image detection and segmentation by transfer learning of shapel priors | |
Koch et al. | Towards deformable shape modeling of the left atrium using non-rigid coherent point drift registration | |
CN104240291A (zh) | 一种基于核磁共振图像序列的图像分割重建方法及系统 | |
CN106971389B (zh) | 一种基于统计形状模型的肾皮质定位方法 | |
Chen et al. | Joint segmentation and discontinuity-preserving deformable registration: Application to cardiac cine-mr images | |
CN105427310B (zh) | 一种基于局部线性约束的稀疏特征匹配的图像配准方法 | |
CN115222878A (zh) | 一种应用于肺支气管镜手术机器人的场景重建方法 | |
Trinh et al. | A symmetry-based generative model for shape | |
Macho et al. | Segmenting Teeth from Volumetric CT Data with a Hierarchical CNN-based Approach. |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |